Aplicaciones de inteligencia artificial para la identificación de daños estructurales en edificaciones. Una revisión sistemática

Luis Leonardo Zambrano Salazar, Enma Katherine Gamboa López

Resumen


La detección de daños estructurales en edificaciones es un aspecto fundamental para garantizar la seguridad de las construcciones y prevenir posibles daños mayores. En este sentido, la aplicación de herramientas de inteligencia artificial (IA) ha surgido como una alternativa prometedora para mejorar la eficacia y precisión en la detección de estos daños. En esta revisión sistemática se analizaron diversos estudios que reportan la aplicación de diversas herramientas de IA como Redes Neuronales, Machine Learning y ChatGPT como apoyo en las inspecciones de las estructuras. Las técnicas de IA identificadas en la literatura, permiten analizar de forma automatizada y precisa las imágenes y datos recopilados de las estructuras, identificando posibles áreas de daño. Los resultados de los estudios revisados muestran que la aplicación de herramientas de IA permite mejorar la precisión y fiabilidad de los resultados obtenidos, lo que contribuye a una mejor gestión de la seguridad de las construcciones. Se sugiere la necesidad de continuar desarrollando experimentos que enriquezcan y potencien estos modelos para lograr una eficiencia cada vez mayor y más depurada.


Palabras clave


Inteligencia Artificial, Daños estructurales, Edificaciones, Ingeniería Civil.

Texto completo:

PDF HTML

Referencias


Acosta, M. (2023). La Inteligencia Artificial en la Ingeniería Civil. CLIC; 27(14). 113 – 126. https://convite.cenditel.gob.ve/publicaciones/revistaclic/article/view/1184

Aldana, D., Lozano, C. & Orduy, J. (2023). Uso de redes neuronales convolucionales en UAVs para la detección de anomalías estructurales. [Trabajo de Grado]. Fundación Universitaria Los Libertadores. Colombia. https://repository.libertadores.edu.co/bitstreams/6612bc05-ea62-40ab-b292-02388ecc9f26/download

Avci, O., Abdeljaber, O., Kiranyaz, S., Hussein, M., Gabbouj, M, & Inman, D. (2021). A review of vibration-based damage detection in civil structures: From traditional methods to Machine Learning and Deep Learning applications. Mechanical Systems and Signal Processing, 147(2021). https://www.sciencedirect.com/science/article/pii/S0888327020304635

Caiafa, C. & Lew, S. (2020). ¿Qué es la Inteligencia Artificial? https://ri.conicet.gov.ar/handle/11336/110093

Cohaila, J. & Gómez, K. (2023). Implementación de un asistente virtual estructural para automatizar el análisis sísmico de un edificio multifamiliar utilizando inteligencia artificial. [Trabajo de Grado]. Universidad Peruana de Ciencias Aplicadas. Perú. https://repositorioacademico.upc.edu.pe/handle/10757/669963

Cunalata, F. & Caiza, P. (2022). Estado del Arte de Estudios de Vulnerabilidad Sísmica en Ecuador. Revista Politécnica; 50(1): 55-64. https://www.redalyc.org/journal/6887/688772225006/html/

ERN. Evaluación de Riesgos Naturales. (2017). Daños asociados a estructuras por negligencia y errores. https://www.ern.com.mx/boletines/ERNterate_Nota_negligencias_y_errores.pdf

Ferrante, E. (2021). Inteligencia artificial y sesgos algorítmicos¿ Por qué deberían importarnos? Nueva sociedad, (294), 27-36. https://biblat.unam.mx/es/revista/nueva-sociedad/articulo/inteligencia-artificial-y-sesgos-algoritmicos-por-que-deberian-importarnos

González, C., García, T., López, M., Mansanet, J. & Sánchez, J. (2023). Sistema de gestión integral para el mantenimiento predictivo de vías interurbanas mediante técnicas de Inteligencia Artificial. 27th International Congress on Project Management and Engineering Donostia-San Sebastián. 451 – 463. http://dspace.aeipro.com/xmlui/handle/123456789/3477

Ingenieros Asesores. (2021). ¿Cómo identificar daños estructurales en un edificio? https://ingenierosasesores.com/actualidad/identificar-danos-estructurales-en-un-edificio/#

Jiménez, M. & Alfaro, M. (2019). Fatigue damage effect approach by artificial neural network. International Journal of Fatigue, 124(2019), 42-47. https://www.sciencedirect.com/science/article/abs/pii/S0142112319300647

Kristombu, S., Thilakarathna, S., Shalitha, J., Arashpour, M., Sharafi, P., Teodosio, B., Shringi, A. & Mendis, P. (2022). Artificial intelligence and smart vision for building and construction 4.0: Machine and deep learning methods and applications. Automation in Construction, 141. https://www.sciencedirect.com/science/article/pii/S0926580522003132

Lozano, G. (2019). Detección y Localización de Daño Estructural en Construcciones Históricas de Tierra. [Tesis de Maestría]. Pontificia Universidad Católica del Perú. Perú. https://tesis.pucp.edu.pe/repositorio/handle/20.500.12404/15016

Moreno, A. (2020). Detección, localización y cuantificación de daños en estructuras civiles metálicas midiendo vibraciones. https://ri-ng.uaq.mx/handle/123456789/1693

Ortega, J. (2021). Aprendizaje profundo para la detección automática de fisuras de hormigón usando redes neuronales convolucionales. Universitat Politécnica de Valencia. España. [Trabajo de Fin de Máster] https://riunet.upv.es/handle/10251/174954

Palacin, S. (2023). Detección del daño estructural en viviendas de Albañilería Confinada mediante Redes Neuronales Artificiales con la aplicación de los modelamientos numéricos MEF y MCA, Pasco 2023. [Tesis de Grado]. Universidad Nacional Daniel Alcides Carrion. Perú. http://45.177.23.200/handle/undac/3855

Russell, S. & Norvig, P. (2020). Artificial Intelligence: A Modern Approach. Pearson Education. 4ta edición.

Sánchez, E. (2017). Análisis de confiabilidad para una estructura transportadora. [Tesis de Maestría]. Benemérita Universidad Autónoma De Puebla. México. https://core.ac.uk/download/pdf/322608443.pdf

SEDETEC-Servicios. (2023). La importancia de la Ingeniería Estructural. LinkedIn. https://www.linkedin.com/pulse/la-importancia-de-ingenier%C3%ADa-estructural-sedetec-servicios/

Wang, C., Song, L., Yuan, Z. & Fan, J. (2023). State-of-the-art AI-based computational analysis in civil engineering. Journal of Industrial Information Integration, 33. https://www.sciencedirect.com/science/article/abs/pii/S2452414X23000432

Yepes, V., Kripka, M., Yepes, L. & García, J. (2023). La inteligencia artificial en la ingeniería civil: oportunidades y desafíos. IC Ingeniería Civil Órgano oficial del Colegio de Ingenieros Civiles de México, 642, 20-23. https://victoryepes.blogs.upv.es/files/2023/07/IC642.pdf_2.pdf

Zaruma, J. (2024). Fallas estructurales en viviendas. LinkedIn. https://www.linkedin.com/pulse/fallas-estructurales-en-viviendas-jorge-alberto-zaruma-campoverde-dbcue/

Zhang, M., Akiyama, M., Shintani, M., Xin, J. & Frangopol, D. (2021). Probabilistic estimation of flexural loading capacity of existing RC structures based on observational corrosion-induced crack width distribution using machine learning. Structural Safety, 91. https://www.sciencedirect.com/science/article/pii/S0167473021000230




DOI: https://doi.org/10.23857/pc.v9i7.7526

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/